下载:
-
立木胸径和树高是衡量立木生长状况的重要因子[1]，立木因子的获取是森林资源调查中最重要的工作之一[2-3]。传统的立木因子测量主要依靠人工或二维图像完成。人工测量方法中，使用皮尺、测距仪等测树工具[4]，工作量大且主观误差较大；电子经纬仪、全站仪等精密设备[5-6]专业性强，但操作复杂。随着计算机视觉技术的发展，基于二维图像的测量方法[7-9]取得了一定的成果，但由于维度的限制，这类方法对于遮挡严重的场景测量精度不高。近几年，三维重建方法被广泛用于植物表形参数的测量[10-11]。其中地面激光扫描技术(terrestrial laser scanning, TLS)[12-13]测量精度高，但地面激光扫描仪价格昂贵，产生点云数据量大，对计算机的运行速度、传输容量等有较高要求，使其在植株表型参数提取与分析方面的应用受到了制约，难以满足社会化的需求。运动恢复结构(structure from motion，SfM)[14]是一种通过特征点匹配建立不同视角的二维图像的关系，从而恢复相机参数与目标三维信息的算法。该算法为植株表型参数测量提供了一种新思路[15]。梁秀英等[16]使用户外小车自动拍摄田间玉米Zea mays植株，基于SfM 算法首先获取玉米植株稀疏三维点云，然后再进一步得到植株稠密点云，通过点云数据测得玉米株高、茎粗和叶面积等参数。HUI等[17]基于SfM算法，利用Visual SFM软件对茄Solanum melongena、辣椒Capsicum annuum和黄瓜Cucumis sativus等3种蔬菜进行了重建和表型解析，获取了植物叶片数、叶长、叶宽和叶面积数据。该方法除用于小型作物表型参数的测量外，在立木因子测量方面也有应用。MILLER等[18]、徐慧丹等[19]围绕单株立木拍摄重叠度约70%的图片，并基于SfM算法获取其三维点云模型，从而估计树高、胸径等参数。孙英伟等[20]在室外围绕单株立木进行拍摄，并基于SfM算法获取立木三维点云，将点云最高和最低的差值作为树高数据，对1.3 m处点云拟合圆提取胸径值。这些方法虽然能够有效替代传统方法和TLS测量立木因子，但均是围绕立木人为控制拍摄间隔获取图像，步骤繁琐且精度难以保障，仅能测量单株立木，效率较低。
本研究提出基于运动恢复结构的多株立木因子测量方法，围绕立木场景拍摄视频，使用关键帧提取算法自动提取三维重建所需的立木图像，减少拍摄的复杂程度；基于SfM算法获取立木三维点云后，进行多株立木点云分割，实现立木单株点云的提取和树高、胸径的自动测量，为多株立木因子的自动测量提供了新思路。
-
以浙江农林大学校园内的立木为研究对象，在自然条件下使用智能手机环绕包含多株立木的场景拍摄一段视频。拍摄时将手机移动速度尽量保持均匀并减少晃动，尽可能拍到立木的全部，并将相机镜头始终指向场景中心。由于每个场景中的立木数量、高度、间距均不相同，因此拍摄路线也不同。图1为某场景的拍摄路线示意图，场景中放置的蓝色长方体尺寸已知，有助于将立木三维点云的尺度恢复到与实际相同。
图 1 拍摄路线示意图
Figure 1. Schematic diagram of shooting route
-
视频相比图像能够传达更为丰富的信息，但是一个完整的视频序列包含较多冗余数据，关键帧提取算法能够从视频中选择满足特定要求的帧，使得提取的关键帧序列能够在满足后续立木三维点云获取所需基本信息的基础上尽量减少冗余。将固定采样法和相似度度量法相结合，对立木视频进行关键帧提取。先用固定采样法提取视频帧作为候选帧，即以视频的第1帧作为候选帧的开始，使用固定间隔为t帧的采样算法At对包含L帧的视频VL进行候选帧提取，得到候选帧序列Fc，其中
${f_1},{f_{1 + t}}, \cdots ,{f_{1 + nt}}$ 为候选帧序列中的每帧，(1±nt)≤L。$$F_{ {{\rm{c}} }}=\left\{f_{1}, f_{1+t}, \cdots, f_{1+n t}\right\}=A_{t}\left(V_{L}\right)。 $$ (1) 式(1)中，将所有的候选帧提取完成后，以候选帧的第1帧作为关键帧的开始，采用差异值哈希(dHash)算法[21]计算当前关键帧与候选帧之间的相似度。该算法首先将2幅图像分别缩小并灰度化，然后比较每行相邻元素的大小，根据比较结果赋值1或0，得到2幅图像的哈希值，最后利用汉明距离计算2幅图像之间的相似度S。
$$ S=D\left \{ d H\left(I_{i}\right), d H\left(f_{j}\right)\right \} 。 $$ (2) 式(2)中：Ii表示当前关键帧，fj表示候选帧，dH(Ii)和dH(fj)分别表示2幅图像的哈希值，D表示汉明距离。
计算出相似度S之后，设定相似度阈值S1、S2 (分别取值为0.6和0.8)。当S＞0.8时，将筛选出的关键帧序列进行三维重建时立木三维模型的效果并没有明显提升，但是关键帧图像大量增加导致效率降低；当S＞0.6可以较好地排除视频中突然出现的干扰(如车辆)。因此，若0.6≤S≤0.8，则将该候选帧加入到关键帧序列，并将该帧设置为当前关键帧。然后继续计算当前关键帧与下一候选帧的相似度，直至筛选完所有候选帧，得到视频关键帧序列Fe。
-
在立木视频关键帧序列(即有序图像集)提取的基础上，基于运动恢复结构算法生成立木三维点云，基本流程如图2所示。①特征点提取与匹配。通过尺度不变特征变换算法(scale-invariant feature transformation，SIFT)[22]对图像进行特征点提取，并计算每2幅图像特征点描述子之间的欧几里得距离来完成特征点匹配，得到所有图像的特征匹配关系
$M \left\{m_{1,2}, m_{2,3}, \cdots, m_{n-1, n}\right\}$ ，其中n为关键帧图像的数量，m中储存了2幅图像间的特征点匹配对$m\left\{\left(x_{1}, x_{1}^{\prime}\right),\left(x_{2}, x_{2}^{\prime}\right), \cdots,\left(x_{i}, x_{i}^{\prime}\right)\right\}$ ，其中i为特征点匹配对的数量。②使用2幅图像进行重建初始化。首先将第1幅图像与第2幅图像中的匹配点对x和x'代入对极几何约束条件[式(3)]求得基础矩阵F，该矩阵代表了2幅图像匹配点之间的空间几何关系。
图 2 生成立木三维点云流程图
Figure 2. Flow chart of creating 3D point cloud of trees
$$\left(x^{\prime}\right)^{{\rm{T}}} {\boldsymbol{F}} x=0 。 $$ (3) 再通过已知的相机内参K和式(4)求得本质矩阵E和，对E进行奇异值分解后得到第2幅图像相对第1幅图像的相机旋转矩阵R和平移向量T。
$$ {\boldsymbol{E}}=K^{{\rm{T}}} F K。 $$ (4) 在此基础上，可通过式(5)求得2个相机的投影矩阵P1和P2：
$$ \left\{\begin{array}{l}{\boldsymbol{P}}_{1}=K[I, \;0] \\ {\boldsymbol{P}}_{2}=K[{\boldsymbol{R}},\; T]\end{array}\right.。 $$ (5) 通过P1和P2建立二维匹配点x和x'及其对应的三维空间点X的关系：
$$ \left\{\begin{array}{l}x={\boldsymbol{P}}_{1} X \\ x^{\prime}={\boldsymbol{P}}_{2} X\end{array}\right.。 $$ (6) 并将匹配点x和x'的齐次坐标[u, v, 1]T及[u', v', 1]T代入上式，得：
$$ \left[\begin{array}{l}P_{13} u-P_{11} \\ P_{13} v-P_{12} \\ P_{23} u^{\prime}-P_{21} \\ P_{23} v^{\prime}-P_{22}\end{array}\right] X=A X=0 。$$ (7) 式(7)中：Pi1、Pi2、Pi3是Pi的行向量，对A进行奇异值分解后得到二维图像特征点的三维坐标。
③加入新的图像。根据新加入的一幅图像与已重建的上一幅图像上特征点的匹配关系，获得已知的三维点X对应新图像上的二维点x，将对应的二维点和三维点代入式(8)可求得投影矩阵Pi，然后重复使用步骤②中的方法获得新图像上其余未重建的匹配点的三维坐标。
$$ x=P_{i} X。 $$ (8) ④利用光束平差(bundle adjustment，BA)[23]算法进行集束调整，减小相机姿态R、T和重建三维点坐标的误差。将所有三维点通过重新映射的方式到得到其在图像上的二维点坐标，然后计算与其真实二维点之间的距离，并将该距离最小化以完成优化。即：
$$ \min \sum\limits_{i=1}^{n} \sum\limits_{j=1}^{m}\left(x_{i j}-P_{j} \:X_{i}\right)^{2}。 $$ (9) 式(9)中：xij是第i个特征点在第j幅图像上的坐标，Pj为投影矩阵，Xi为第i个特征点的三维坐标。每重建一幅图像进行一次集束调整，当所有图像重建完成后，再次进行集束调整，获得优化后的稀疏三维点云。
⑤三维点云稠密化。采用多视角立体集群算法(cluster multi-view stereo，CMVS)和多视角拼接算法(patch-based multi-view stereo，PMVS)对重建出来的稀疏点云进行稠密化[24]。
-
由于立木场景三维点云数据量大，夹杂了许多噪声点，且点云模型与真实世界三维空间的方向、尺度上也存在不一致，因此需要对点云模型进行下采样、去噪、比例校正、坐标校正、方向校正等预处理，以减少后续算法运行时间。①采用三维体素栅格法对点云进行下采样。首先为输入的点云数据创建由大量指定边长的微小立方体包围的集合，即三维体素栅格；然后在每个体素内计算所有点的重心，利用重心代替该体素内的其余点，这样所有的三维点云最终都由各个体素内的重心表示。②去噪。使用直通滤波器对X、Y、Z阈值范围进行设定，划分出感兴趣的立木范围区域，从而减少背景噪声点。接着采用统计滤波方法去除离群噪声点，计算直通滤波后的每个点pi，计算其与k(取50)个近邻点的平均距离
$\bar{d}\left(p_{i}\right)$ ，假设得到的结果服从高斯分布，得平均距离均值(μ)和标准差(σ)，如果这些点的平均距离$\bar{d}\left(p_{i}\right)$ 大于阈值Cσ(C为常量，取1)，则将被视为离群值去除。③坐标校正。首先进行点云模型与实际的比例校正，由放置物体实际尺寸hr和放置物体的模型尺寸hm得到坐标缩放比例r=hr/hm，在进行立木因子测量时可按比例将其换算到与实际相同的尺度。④方向校正。计算三维点云模型质心点的三维坐标，并基于主成分分析法(principal component analysis，PCA)[25]将点云模型进行质心化，求解点云模型协方差矩阵的特征值和特征向量，特征向量为立木三维点云模型的主方向，根据该主方向创建旋转矩阵M，将原始点云Po以质心点为中心转换到主方向的位置，得到新的三维点云模型Pn=MPo。 -
预处理后的三维点云模型中包含多株目标立木及地面，为此需要进行点云分割，分别提取单株立木三维点云。首先使用RANSAC算法将地面点云拟合成一个平面，然后提取属于该平面内的点云，从而将地面点云与立木点云进行初步分割。
在初步分割后的点云中，同一立木的点云总是紧邻的，而不同立木的点云之间存在间距，因此，根据空间点的欧氏距离采用条件欧几里得聚类算法进行多株立木三维点云的分割。对于三维点云中的某一点P，通过KD树找到三维点云中离点P最近的k个点，这些点与P点的距离若小于阈值d则聚类到集合Q中。然后从集合Q中选取点P以外的点，重复上述过程，直到集合Q中点的数量不再增加，则聚类过程结束。最后将多株立木三维点云分割到不同的点云集合中，从而提取出单株立木三维点云。
-
将立木在z轴方向的最高点与最低点的差值默认为其高度，如图3所示。由于点云坐标校正后单株立木的生长方向均与z轴的正方向一致，且立木底部平面位于oxy平面，所以提取出单株立木点云后，遍历所有点，找到单株立木z轴坐标的最大值与最小值，两者差值的绝对值即为单株立木的高度h (h=|Zmax−Zmin|)。
图 3 立木高度提取示意图
Figure 3. Schematic diagram of tree height extraction
-
将立木位于距地面1.3 m处断面直径的最大值和最小值的平均视为其胸径，如图4所示。在单株立木的三维点云中，利用校正后的比例r求得1.3 m处点云坐标：z=1.3/r。对该处做3 cm厚度的切片，然后再将点云切片投影至oxy平面，利用非线性最小二乘法进行椭圆拟合求解椭圆一般方程式：Ax2+Bxy+Cy2+Dx+Ey+1=0。其中：A、B、C、D、E是待求解参数。求得椭圆一般方程式后，根据式(10)和式(11)求得椭圆的短轴a和长轴b：
图 4 胸径提取示意图
Figure 4. Schematic diagram of tree DBH extraction
$$ \left\{\begin{array}{l}X_{{\rm{C}}}=\dfrac{B E-2 C D}{4 A C-B^{2}} \\ Y_{{\rm{C}}}=\dfrac{B D-2 A E}{4 A C-B^{2}}\end{array}\right.； $$ (10) $$ \left\{\begin{array}{l}a^{2}=\dfrac{2\left(A X_{{\rm{c}}}{ }^{2}+C Y_{{\rm{c}}}{ }^{2}+B X_{{\rm{c}}} Y_{{\rm{c}}}-1\right)}{A+C+\sqrt{(A-C)^{2}+B^{2}}} \\ b^{2}=\dfrac{2\left(A X_{{\rm{c}}}{ }^{2}+C Y_{{\rm{c}}}{ }^{2}+B X_{{\rm{c}}} Y_{{\rm{c}}}-1\right)}{A+C-\sqrt{(A-C)^{2}+B^{2}}}\end{array}\right. 。$$ (11) 然后将椭圆的短轴与长轴的平均值作为立木的胸径(Φ)：Φ=(a+b)/2。
-
基于软件平台Visual Studio 2017和计算机视觉Opencv库提取立木视频关键帧图像并基于运动恢复结构算法获取立木三维点云；基于C++开源点云库(point cloud library，PCL)对点云数据进行预处理及分割操作。
-
立木视频关键帧提取后，基于运动恢复结构算法获取的立木场景三维点云如图5A所示。可以看出该原始三维点云不仅包含了4株立木，还包含了地面、背景及离群噪声点。由图5B所示：进行点云下采样之后点云数据减少了约3倍，这并不影响立木三维点云的整体形状，且经过预处理后的点云成功滤除了背景及大量离群噪声点，点云模型的坐标方向也得到了校正(该场景中种植立木的花坛长度已知，无需在场景中放置用于比例校正的物体)。图5C是将地面点云与立木点云进行初步分割后的结果，图5D是点云通过条件欧几里得聚类算法分割后得到的4株立木。
图 5 立木三维点云处理结果
Figure 5. 3D point cloud processing results of trees
-
由表1可见：经过计算得出树高测量的绝对误差为0.03~0.24 m，测量值与实际值之间的相对误差为0.63%~3.93%，平均相对误差为1.96%。树高测量值总体上比实际值低，主要是因为树冠顶部的枝叶稀少，导致生成的三维点云在树冠顶部较为稀疏，在点云处理阶段被视为噪声点去除，并且在一些枝叶较细或者高度较高的立木上，由于视频拍摄不够清晰导致特征点匹配数量不足，使得立木三维重建时存在点云部分缺失的现象。立木的胸径测量的绝对误差为0.20~0.85 cm，测量值与实际值之间的相对误差为1.45%~6.92%，平均相对误差为3.19%。测量误差主要是由于拍摄时立木之间的遮挡，导致部分立木树干重建效果不佳，并且在使用非线性最小二乘法进行椭圆拟合时，由于利用的点云数量较少且分布不均匀，使得拟合不够准确。
表 1 树高和胸径的测量值与实际值
Table 1. Measured and actual values of tree height and DBH
立木
编号树高 胸径 实际
值/m测量
值/m相对误
差/%实际
值/cm测量
值/cm相对误
差/%1 6.14 6.10 0.63 15.60 14.85 4.85 2 4.98 4.87 2.15 13.06 13.33 2.07 3 5.49 5.53 0.84 12.74 13.00 2.09 4 5.64 5.49 2.60 14.97 15.58 4.06 5 3.42 3.39 0.93 10.83 10.62 1.87 6 3.49 3.55 1.69 12.26 13.11 6.91 7 4.53 4.40 2.78 12.90 12.25 4.99 8 4.31 4.21 2.39 14.33 14.09 1.70 9 6.65 6.60 0.71 19.43 19.14 1.44 10 6.19 6.08 1.79 18.63 19.35 3.87 11 7.17 6.93 3.40 18.80 18.42 1.94 12 5.63 5.73 1.67 18.72 19.39 3.58 13 7.52 7.35 2.18 16.97 17.27 1.77 14 7.47 7.20 3.56 19.04 18.59 2.37 15 5.58 5.69 1.93 15.13 14.36 5.08 16 5.01 5.05 0.64 11.94 12.20 2.16 17 5.41 5.27 2.57 12.67 12.46 1.68 18 7.18 6.98 2.78 16.08 16.88 4.93 平均值 1.96 3.19 图6为树高和胸径测量值与实际值的线性回归分析图，使用本研究方法测量的立木树高和胸径与实际值之间均存在着显著的线性相关关系，树高相关系数(R2)为0.987 9，均方根误差(RMSE)为0.133 3 m；胸径R2为0.962 1，RMSE为0.533 7 cm。
图 6 树高和胸径的测量值与实际值的回归分析
Figure 6. Regression analysis of measured and actual values of tree height and DBH
-
针对当前基于三维点云的立木因子测量方法效率低或成本高的问题，本研究提出了一种基于运动恢复结构的多株立木因子测量方法，使用普通智能手机实现了自然环境下多株立木树高和胸径的灵活、有效测量。本研究表明：使用本方法测量树高的平均相对误差为1.96%，相关系数为0.987 9，均方根误差为 0.133 3 m；测量胸径的平均相对误差为3.19%，相关系数为0.962 1，均方根误差为0.533 7 cm。本方法测量树高的平均相对误差均低于文献[26-27]，具有更高的树高测量精度；测量胸径的平均相对误差低于文献[26]，略高于文献[27]，但是文献[26-27]分别需要使用三维激光扫描仪和ToF手机，而本方法仅需使用普通智能手机，具有更好的普适性。
本方法具有较高的精度，但是测量胸径和树高仍有一定的误差，可能原因为：①树冠顶部的枝叶稀少，导致生成的三维点云在树冠顶部较为稀疏，在点云处理阶段被视为噪声点去除，导致树高测量值总体上比实际值低。②在一些枝叶较细或者高度较高的立木上，由于视频拍摄不够清晰导致特征点匹配数量不足，使得立木三维重建时点云部分缺失。③采用非线性最小二乘法拟合椭圆时由于树干点云的数量较少或分布不均导致立木胸径计算结果不理想。因此，可尝试采用高分辨率无人机等设备进行树冠顶部视频的拍摄，以获得立木清晰且全面的图像，同时进一步研究立木图像特征点提取与匹配算法，增加树干与树冠顶部枝叶的特征点匹配对数量，以提高重建立木的三维点云质量。
Measuring method of multiple trees attributes based on structure from motion
-
摘要:
目的 提出基于运动恢复结构的多株立木因子测量方法，以解决目前基于三维点云的立木因子测量方法获取立木树高和胸径存在效率低或成本高的问题。 方法 ①使用智能手机环绕包含多株立木的场景拍摄一段视频，并采用固定帧采样法和差异值哈希算法自动提取立木视频中的关键帧图像，然后，基于运动恢复结构(structure from motion，SfM)算法处理立木关键帧图像，从而获取立木场景的原始三维点云；②在对原始三维点云进行预处理及初步分割后，运用条件欧几里得聚类算法对多株立木三维点云进行分割，以提取单株立木三维点云；③对立木三维点云使用最值遍历法和椭圆拟合法实现立木树高和胸径的自动测量。 结果 与真实值相比，本研究方法测得的树高、胸径的平均相对误差分别为1.96%、3.19%，均方根误差分别为0.133 3 m、0.533 7 cm，相关系数分别为0.987 9、0.962 1。 结论 该方法具有较高的树高和胸径测量精度，提供了一种便捷、低成本的多株立木因子三维测量方法。图6表1参27 Abstract:Objective Tree attributes are generally measured by obtaining the tree height and DBH using a method based on three-dimensional point cloud, which is featured with either low efficiency or high cost. To solve this problem, this study is aimed to propose a measuring method of multiple trees attributes based on Structure from Motion. Method Firstly, a smart phone was used to shoot a video of a scene with multiple trees before its key frame images were automatically extracted using the fixed-frame sampling and dHash algorithm; Secondly, such key frame images of the trees were processed on the basis of structure from motion (SfM) algorithm to obtain the original 3D point cloud of the scene; Thirdly, after the pre-procession and initial segmentation of the original 3D point cloud, the conditional European clustering algorithm is used to segment the 3D point cloud of multiple trees to extract the 3D point cloud of a single tree; Finally, the most value traversal method and ellipse fitting method were employed to deal with the tree 3D point cloud to realize the automatic measurement of tree height and DBH. Result Compared with real values, the mean relative errors of tree height and DBH measured using this method are 1.96% and 3.19%, the root mean square errors were 0.1333 m and 0.5337 cm whereas the correlation coefficients were 0.9879 and 0.9621 respectively. Conclusion This method, with high measurement accuracy of tree height and DBH, serves as a convenient and low-cost three-dimensional measurement method for multiple trees attributes. [Ch, 6 fig. 1 tab. 27 ref.] -
近年来，人类对土地和矿物资源的过度开发利用以及对农药和化肥的不合理使用，破坏了原生态土壤[1-2]，引起了土壤质量严重下降，甚至导致了土壤污染，其中重金属是土壤污染的主要来源之一[3]。农田中土壤重金属具有潜伏性强、难去除、毒害性高等特点，不仅可以通过积累影响土壤和农产品质量，阻碍植物生长，还可以通过食物链被人体吸收，威胁人体健康[1, 4]。果园土壤作为生产果品的载体，其中有毒有害重金属不仅会对树体生长和果实产量产生影响，而且会影响果品质量安全并带来生态风险。
麦尔哈巴·图尔贡等[5]研究发现：镉是吐鲁番盆地葡萄Vitis vinifera种植园土壤中污染水平及生态风险级别最高的重金属，而且受不合理施肥影响最大。王敏等[6]研究认为：早期铜矿开采以及长期过度施肥，特别是磷肥和有机肥的过度施用是香榧Torreya grandis‘Merrillii’多种重金属超标的重要原因。潜在生态风险评价表明：浙江省会稽山脉附近的香榧集中种植区土壤整体处于轻度危害状态，其中以镉的潜在风险最大[6]。ZINICOVSCAIA等[7]研究摩尔多瓦苹果Malus pumila种植园土壤中37种元素的富集情况，并通过计算富集因子、污染因子、地累积指数和污染负荷指数等评价重金属元素对土壤污染的生态风险，发现矿区土壤中的砷等处于严重超标状态，而且具有较高的潜在生态风险等级。DONG等[8]对白水县苹果种植园土壤中8种重金属元素进行测定，并采用单因素污染指数、内梅罗综合指数和潜在生态风险指数等方法评价土壤重金属存在的潜在风险，发现随着经营年限的增加，苹果园土壤中镍、铜、砷和汞的含量逐渐升高，表明人工干预促进了土壤重金属的积累，存在严重的生态风险性。YAN等[9]以重庆市黔江地区5个猕猴桃Actinidia chinensis品种为研究对象，测定了土壤和果实中8中重金属元素的含量，结果发现：猕猴桃种植园重金属从岩石向土壤，从土壤向果实迁移显著，其中锌和铬是果实中超标较严重的元素，存在中等潜在生态风险。由此可知：果园土壤重金属污染来源多样，危害极大，不仅是人类目前面临的重要环境问题之一，而且对食品安全具有极大威胁[10]。
柿Diospyros kaki适应性强，分布范围广，为中国重要的传统木本粮食树种，也是国家目前重点支持的特色经济林树种之一[11]。河南省柿栽培历史悠久，是中国柿主产区之一，柿产量长期位居中国前3位。位于太行山区的济源市、安阳市和三门峡市是河南省柿的主产区，占据该省总产量的72.0%，已成为当地农村经济发展和农民增收的支柱之一。但果农在生产中，为了追求产量，过度使用化肥和农药，引起土壤质量明显退化。另外，济源市、安阳市和三门峡市均为重要的矿产区，农业生产和矿产开采提高了土壤重金属污染风险，对柿产品带来潜在安全隐患和生态安全风险[12]。为探讨河南省柿主产区土壤重金属污染情况及生态风险，本研究调查了河南省柿主产区代表性果园土壤样品，测定其中砷、镉、铬、铜、铅和汞等6种重金属元素的质量分数；采用污染负荷指数、潜在生态风险指数和生态风险预警指数法，对柿园土壤重金属来源及潜在生态风险进行评估，以期为河南省柿主产区土壤环境安全评价和重金属污染防治提供科学依据，为其他柿产区土壤重金属研究提供参考。
1. 材料和方法
1.1 研究区域概况
研究区域属于豫西北的太行低山丘陵地区(33°31′~36°21′N，110°21′~114°59′E)，平均海拔为705.0 m。该区气候属暖温带季风性大陆气候，光热资源较丰富，年平均气温为14.1 ℃，年平均日照时数为2 370.0 h，年平均降水量为600 mm，年平均蒸发量为1700 mm，无霜期为200 d，年辐射总量为518 kJ·cm−2。山体以沉积岩为主，土壤以褐土为主，pH 7.0~8.5。
1.2 样品采集与检测
2020年11月柿果采收后，在济源、安阳和三门峡等3个河南省柿主产区，选取正常经营、果树病虫害较轻、果品质量上乘的果园90个(每个产区30个)。在每个果园中间位置设置1个25 m×25 m的样地，并在样地内按照“对角线五点采样法”采集200 g土样，采样深度为0~20 cm。将采集的样品装入清洁自封袋，记录采样点的立地条件、土壤情况、农户施药和施肥管理情况等[13]。
土样在室内常温下风干，拣出杂物，磨碎并充分混合，过100目尼龙筛后用于检测土壤样品中的砷、汞、镉、铬、铜与铅的质量分数及土壤pH[14]。测试过程中加入国家标准土壤参比物质(GSS-12)进行质量控制，各重金属的回收率均在国家标准参比物质的允许范围内[1]。各个参数以每个果园5个点的平均值代表该果园的表征值。
1.3 土壤重金属污染及生态风险评价方法
以河南省太行山果树种植园土壤重金属的背景值(重金属砷、汞、铅、镉、铬、铜的背景值分别为7.79、0.049、19.60、0.374、63.80、19.70 mg·kg−1，以下简称“背景值”)为评价依据[15]，采用单因子污染指数(contamination factor，CF)和污染负荷指数(pollution load index，IPL)对柿园土壤重金属进行污染评价[16]。以GB 15618—2018《土壤环境质量 农用地土壤污染风险管控标准(试行)》中的国家农用地土壤污染风险筛选值[重金属砷、汞、铅、镉、铬、铜污染风险筛选值(pH＞7.5)分别为25.00、3.400、170.00、0.600、250.00、100.00 mg·kg−1，简称“筛选值”]为评价依据[14]，采用综合潜在生态风险指数(potential ecological risk index，IR)评价土壤重金属污染的潜在生态风险，并采用生态风险预警指数(ecological risk warning index，IER)对土壤生态风险进行预警评估[1, 3, 13]，其中砷、汞、铅、镉、铬、铜的毒性系数分别为10.0、40.0、5.0、30.0、2.0和5.0，潜在生态风险指数分级标准[17]见表1。
表 1 土壤重金属污染评价指标及其分级标准Table 1 Evaluation indexes and grading standards of soil heavy metal pollutionCF IPL 污染等级 E IR 风险等级 IER 预警等级 (0, 1] (0, 1] 无 (0, 40] (0, 150] 轻微 (−∞, 0] 无需 (1, 2] (1, 2] 轻度 (40, 80] (150, 300] 中等 (0, 1] 预警 (2, 3] (2, 3] 中度 (80, 160] (300, 600] 较强 (1, 3] 轻度 (3, +∞) (3, +∞) 重度 (160, 320] (600, 1200] 很强 (3, 5] 中度 (320, +∞) (1200, +∞) 极强 (5, +∞) 重度 说明：CF为单因子污染指数；IPL为污染负荷指数；E为各重金属单项潜在生态风险指数；IR综合潜在生态风险指数；IER为生态风险 预警指数 1.4 数据处理
采用Excel 2019对数据进行初步整理和计算，采用SPSS 20.0进行数据统计分析和K-S正态分布检验，属于正态分布的数据用Pearson相关性分析，非正态分布的用Spearman进行相关性分析。
2. 结果与分析
2.1 河南省柿主产区土壤重金属质量分数特征
由表2可知：砷和汞质量分数在安阳产区土壤中最高，分别为13.84和0.105 mg·kg−1，三门峡产区土壤中砷质量分数仅为2.34 mg·kg−1；铅和镉质量分数在济源产区土壤中最高，分别为54.80和0.492 mg·kg−1；铬和铜质量分数在三门峡产区土壤中最高，分别为53.10和38.01 mg·kg−1，分别是济源产区的1.36和1.30倍。这说明6种重金属在河南省3个柿主产区土壤中的积累特征不同。与背景值相比，砷仅在三门峡产区低于背景值，汞在3个主产区均高于背景值，且汞在整个主产区高达背景值的2.00倍；铅在三门峡和济源产区是背景值的2.00~3.00倍；镉仅在济源产区超过背景值，而铜在3个主产区均高于背景值，其中在三门峡产区最高，为背景值的2.00倍。6种重金属质量分数平均值在3个主产区均低于筛选值，但砷在安阳产区，铅和镉在济源和三门峡产区以及铬和铜在安阳和三门峡产区均存在某些柿园大于筛选值，处于污染状态，其中镉在济源产区甚至高达筛选值的3.07倍。这说明不同重金属在3个产区的积累程度不同。方差分析表明：砷、铅、镉和铬在3个主产区的F值分别为59.70、6.60、8.50、5.85，说明它们的积累程度均达极显著差异(P＜0.01)。
表 2 河南柿主产区土壤重金属质量分数统计Table 2 Statistics of the heavy metals in soils from the main D. kaki producing area in Henan Province产区 参数 质量分数/(mg·kg−1) 产区 参数 质量分数/(mg·kg−1) 砷 汞 铅 镉 铬 铜 砷 汞 铅 镉 铬 铜 安阳产区 均值 13.84 0.105 16.87 0.167 46.34 29.79 济源产区 均值 13.33 0.092 54.80 0.492 39.15 29.24 标准差 6.70 0.072 5.57 0.076 24.33 19.70 标准差 3.67 0.087 55.75 0.516 8.25 10.64 极小值 1.55 0.020 5.34 0.000 17.09 2.56 极小值 2.97 0.015 7.04 0.048 14.82 6.10 极大值 25.12 0.373 25.45 0.335 93.87 111.04 极大值 21.36 0.399 276.45 1.839 51.07 53.14 三门峡产区 均值 2.34 0.099 37.74 0.277 53.10 38.01 整个主产区 均值 9.84 0.099 36.47 0.312 46.20 32.35 标准差 2.30 0.097 42.18 0.131 9.38 19.72 标准差 7.01 0.085 42.97 0.336 16.63 17.50 极小值 1.22 0.032 9.64 0.081 35.29 18.71 极小值 1.22 0.015 5.34 0.000 14.82 2.56 极大值 14.12 0.543 204.00 0.847 87.12 128.90 极大值 25.12 0.543 276.45 1.839 93.87 128.90 2.2 河南省柿主产区土壤重金属质量分数的变异系数及频率分布
土壤重金属质量分数变异分为小(0~0.15)、中(0.16~0.35)和高(＞0.36)等3类[18-19]。由表3可知：6种重金属在河南省杮主产区的变异均达到高度等级，仅砷在济源、铅在安阳、铬在济源和三门峡产区为中等变异。这说明6种重金属元素在河南省柿主产区的空间变异程度较高，分布存在一定的随机性。依据Grubbs准则剔除90个果园土壤重金属数据异常值[3]，然后绘制河南省柿主产区土壤6种重金属质量分数的频次分布图(图1)。砷和铬的偏度和峰度均在[−1, 1]附近，且中位数都较接近均值(表3)，铬总体符合的近正态分布，砷存在一定的偏正态分布。汞、铅、镉和铜的中位值都小于均值，且偏度分别为2.72、3.32、2.60和2.95，说明样本的铅、镉质量分数左偏，为右尾分布，表明多数柿园土壤的铅、镉质量分数较低，也印证了河南省柿主产区重金属空间分布变异较大的特征。
图 1 河南省柿主产区土壤重金属质量分数分布频次Figure 1 Frequency distribution of the heavy metals in soils from the main producing area of D. kaki of Henan Province表 3 河南省柿主产区土壤重金属变异系数和分布频次Table 3 Coefficients of variation and frequency distribution of the heavy metals in soils from the main producing area of D. kaki of Henan Province参数 产区 砷 汞 铅 镉 铬 铜 变异系数 安阳产区 0.48 0.69 0.33 0.45 0.53 0.66 济源产区 0.28 0.94 1.02 1.05 0.21 0.36 三门峡产区 0.98 0.98 1.12 0.47 0.18 0.52 整个主产区 0.71 0.86 1.18 1.08 0.36 0.54 中位数 整个主产区 11.41 0.08 22.42 0.21 44.72 29.47 偏度 整个主产区 0.25 2.72 3.32 2.60 0.77 2.95 峰度 整个主产区 −0.98 9.79 12.94 6.74 1.23 13.60 2.3 河南省柿主产区土壤重金属来源分析
相关性分析法可以用来解析土壤中重金属来源[3]。对河南省柿主产区土壤重金属质量分数的Pearson相关分析(表4)表明：铅与汞、镉、铜，以及汞与镉表现为极显著相关(P＜0.01)。铜与砷、镉、铬，以及砷与铬达显著相关(P＜0.05)。推断铅和汞、镉、铜可能来自相同的途径，铜与砷、镉、铬的来源也有很大的相似性。整体而言，铅和铜可能是这6种重金属积累的主导元素，或是诱导其他元素在土壤中积累的主要元素，而6种元素间也呈现出相互伴随的复杂积累效应。
表 4 河南省柿主产区土壤重金属之间相关系数矩阵Table 4 Correlations matrix of the heavy metals in soils from the main producing area of D. kaki of Henan Province重金属 pH 砷 汞 铅 镉 铬 铜 pH 1.000 砷 0.177 1.000 汞 −0.119 0.105 1.000 铅 −0.116 0.123 0.410** 1.000 镉 −0.184 0.170 0.397** 0.784** 1.000 铬 −0.191 −0.237* 0.176 0.006 −0.042 1.000 铜 −0.085 −0.209* 0.085 0.299** 0.218* 0.264* 1.000 说明：* 表示显著相关(P＜0.05)，** 表示极显著相关(P＜0.05) 土壤重金属质量分数数据经KMO和巴特力(Bartlett)检验及因子分析和主成分分析表明：第1主成分可解释总方差的37.1%，主要包括铅、镉和汞，其中铅的载荷更是高达0.900；第2主成分可解释34.4%的总方差，其中铬和铜是主要变量，两者载荷分别为0.730和0.608 (表5)。主成分散点图表明(图2)：汞、铅和镉以及铬和铜分别具有高度相似的同源性。这与相关性分析的结果一致。
表 5 河南省柿主产区土壤重金属主成分分析Table 5 Principal component analysis of the heavy metals in soils from the main producing area of D. kaki of Henan Province项目 因子 砷 汞 铅 镉 铬 铜 方差贡献率/% 累计贡献率/% 因子载荷 第1主成分 0.173 0.648 0.900 0.880 0.124 0.418 37.1 37.1 第2主成分 −0.726 0.006 −0.078 −0.173 0.730 0.608 34.4 71.5 
图 2 河南省柿主产区土壤重金属主成分分析散点图Figure 2 Spatial scatter plot of principal component analysis for the heavy metals in soils from the main producing area of D. kaki of Henan Province2.4 河南省柿主产区土壤重金属污染分析
根据分级标准对河南省柿主产区土壤重金属进行污染评价。结果(表6)可知：3个产区土壤单因子污染指数(CF)最大的重金属分别为：安阳汞(2.13)、济源铅(2.80)和三门峡汞(2.02)。另外，安阳产区所有柿园均处于无镉污染状态，76.67%的柿园也处于无铬污染状态，而砷和汞的污染比例均高达83.33%，其中重度污染的比例达到13.33%。济源产区柿园砷、铅和汞的污染比例较高，其中铅的重度污染比例高达30%。三门峡产区大部分柿园表现为无污染或仅轻度污染，但也分别有16.67%、13.33%和6.67%的柿园处在汞、铅和铜的重度污染状态。从整个主产区来看，汞和铜是最主要的重金属污染元素，镉和铬最低。
表 6 不同区域单因子污染指数值及污染等级样点百分比Table 6 Percentages of sites at different pollution levels in the total sample sites各重金属污染指数 安阳产区 济源产区 平均值 标准差 无/% 轻度/% 中度/% 重度/% 平均值 标准差 无/% 轻度/% 中度/% 重度/% CF,砷 1.78 0.86 16.67 50.00 20.00 13.33 1.71 0.47 6.67 63.33 30.00 0 CF,汞 2.13 1.46 16.67 36.67 33.33 13.33 1.87 1.76 43.33 26.67 13.33 16.67 CF,铅 0.86 0.28 63.33 36.67 0 0 2.80 2.84 10.00 53.33 6.67 30.00 CF,镉 0.45 0.20 100 0 0 0 1.32 1.38 66.67 3.33 13.33 16.67 CF,铬 0.73 0.38 76.67 23.33 0 0 0.61 0.13 100 0 0 0 CF,铜 1.51 1.00 30.00 53.33 10.00 6.67 1.48 0.54 20.00 63.33 16.67 0 IPL 0.95 0.34 76.67 20.00 3.33 0 1.32 0.70 50.00 36.67 10.00 3.33 各重金属污染指数 三门峡产区 整个主产区 平均值 标准差 无/% 轻度/% 中度/% 重度/% 平均值 标准差 无/% 轻度/% 中度/% 重度/% CF,砷 0.30 0.29 96.67 3.33 0 0 1.26 0.90 40.00 38.89 16.67 4.44 CF,汞 2.02 1.97 26.67 46.67 10.00 16.67 2.01 1.73 28.88 36.67 18.89 15.56 CF,铅 1.93 2.15 30.00 53.33 3.33 13.33 1.86 2.19 34.45 47.78 3.33 14.44 CF,镉 0.74 0.35 96.67 3.33 0 0 0.83 0.90 87.78 2.22 4.44 5.56 CF,铬 0.83 0.15 96.67 3.33 0 0 0.72 0.26 91.11 8.89 0 0 CF,铜 1.93 1.00 3.33 73.33 16.67 6.67 1.64 0.89 17.78 63.34 14.44 4.44 IPL 0.96 0.35 50.00 50.00 0 0 1.08 0.52 58.89 35.56 4.44 1.11 土壤重金属污染负荷指数(IPL)表明(表6)：河南省柿主产区IPL为1.08，说明河南省柿主产区土壤整体处于重金属轻度污染状态，其中济源产区IPL值最大(1.32)，安阳和三门峡表现为无污染。从污染等级的比例来看，安阳产区无污染柿园最多，达到76.67%，济源产区土壤重金属污染程度最高。
2.5 河南省柿主产区土壤重金属污染的生态风险分析
以筛选值作参比标准，计算河南省柿主产区各柿园土壤重金属潜在生态风险指数(E)及综合潜在生态风险指数(IR) [3]。结果发现：在3个产区，汞的生态风险指数最高，达80.31，铬最低(仅1.45)，说明汞处于较强风险的等级。3个产区的IR最大值为济源产区的581.24，最小值为三门峡产区126.99。这说明：3个产区均为轻微生态风险等级，其中济源产区风险最高，三门峡产区最低，但各产区均出现了处于中等及较强生态风险等级的柿园(表7)。
表 7 不同区域潜在生态风险指数及污染等级样点百分比Table 7 Percentages of sites at different risk levels in the total sample sites各重金属
风险指数安阳产区 济源产区 平均值 标准差 轻微/% 中等/% 较强/% 很强/% 极强/% 平均值 标准差 轻微/% 中等/% 较强/% 很强/% 极强/% E砷 17.76 8.60 100 0 0 0 0 17.11 4.71 100 0 0 0 0 E汞 85.25 58.44 20.00 33.33 36.67 10.00 0 74.86 70.39 43.33 26.67 23.33 3.33 3.33 E铅 4.30 1.42 100 0 0 0 0 13.98 14.22 96.67 3.33 0 0 0 E镉 13.44 6.07 100 0 0 0 0 39.50 41.40 66.67 10 23.33 0 0 E铬 1.45 0.76 100 0 0 0 0 1.23 0.26 100 0 0 0 0 E铜 7.56 5.00 100 0 0 0 0 7.42 2.70 100 0 0 0 0 IR 129.77 63.51 73.33 23.33 3.33 0 0 154.10 121.43 66.67 23.33 10 0 0 各重金属
风险指数三门峡产区 整个主产区 平均值 标准差 轻微/% 中等/% 较强/% 很强/% 极强/% 平均值 标准差 轻微/% 中等/% 较强/% 很强/% 极强/% E砷 3.00 2.95 100 0 0 0 0 12.63 9.00 100 0 0 0 0 E汞 80.83 78.84 26.67 46.67 16.67 6.67 3.33 80.31 69.07 30.00 35.56 25.56 6.67 2.22 E铅 9.63 10.76 96.67 3.33 0 0 0 9.30 10.96 97.78 2.22 0 0 0 E镉 22.22 10.48 96.67 3.33 0 0 0 25.05 26.92 87.78 4.44 7.78 0 0 E铬 1.66 0.29 100 0 0 0 0 1.45 0.52 100 0 0 0 0 E铜 9.65 5.00 100 0 0 0 0 8.21 4.44 100 0 0 0 0 IR 126.99 85.31 76.67 20.00 3.33 0 0 136.95 92.95 72.22 22.22 5.56 0 0 2.6 河南省柿主产区土壤重金属生态风险预警分析
土壤生态风险预警分析是基于环境生态风险评估中而发展来的，它更侧重于对土壤系统、农林植物及其产品可能存在的生态风险研究，具有精准、定量和定性评价的优点[3]。以筛选值作参比标准，计算河南省柿主产区土壤重金属污染生态风险预警等级(IER)，结果如表8。整个主产区IER平均值为2.33，为轻度预警，其中济源产区IER最大(3.79)，为中度预警，三门峡和安阳产区均为轻度预警等级。6种重金属中，仅汞在安阳和三门峡产区以及铅在济源产区表现为轻度预警等级，且这2种重金属均存在处于重度预警的柿园，其中济源产区处于汞和铅重度预警的柿园高达20%。这也与各元素在整个主产区的CF、IPL、E以及IR等的格局基本一致。
表 8 不同区域生态风险预警指数及预警级别样点百分比Table 8 Percentages of sites at different warning levels in the total sample sites各重金属
预警指数安阳产区 济源产区 平均值 标准差 无需/% 预警/% 轻度/% 中度/% 重度/% 平均值 标准差 无需/% 预警/% 轻度/% 中度/% 重度/% IER,砷 0.78 0.86 16.67 50.00 33.33 0 0 0.71 0.47 6.67 63.33 30.00 0 0 IER,汞 1.13 1.46 16.67 36.67 36.67 6.67 3.33 0.87 1.76 43.33 26.67 23.33 0 6.67 IER,铅 −0.14 0.28 63.33 36.67 0 0 0 1.80 2.84 10.00 53.33 16.67 6.67 13.33 IER,镉 −0.55 0.20 100 0 0 0 0 0.32 1.38 66.67 3.33 26.67 3.33 0 IER,铬 −0.27 0.38 76.67 23.33 0 0 0 −0.39 0.13 100 0 0 0 0 IER,铜 0.51 1.00 30.00 53.33 13.33 3.33 0 0.48 0.54 20.00 63.33 16.67 0 0 IER 1.45 2.36 33.33 13.33 33.33 10.00 10.00 3.79 6.14 33.33 23.33 6.67 10.00 26.67 各重金属
预警指数三门峡产区 整个主产区 平均值 标准差 无需/% 预警/% 轻度/% 中度/% 重度/% 平均值 标准差 无需/% 预警/% 轻度/% 中度/% 重度/% IER,砷 −0.70 0.29 96.67 3.33 0 0 0 0.26 0.90 40.00 38.89 21.11 0 0 IER,汞 1.02 1.97 26.67 46.67 16.67 6.67 3.33 1.01 1.73 28.89 36.67 25.56 4.44 4.44 IER,铅 0.93 2.15 30.00 53.33 6.67 0 10 0.86 2.19 34.44 47.78 7.78 2.22 7.78 IER,镉 −0.26 0.35 96.67 0 3.33 0 0 −0.17 0.90 87.78 1.11 10.00 1.11 0 IER,铬 −0.17 0.15 96.67 3.33 0 0 0 −0.28 0.26 91.11 8.89 0 0 0 IER,铜 0.93 1.00 3.33 73.33 20.00 3.33 0 0.64 0.89 17.78 63.33 16.67 2.22 0 IER 1.75 3.98 43.33 23.33 13.33 6.67 13.33 2.33 4.51 36.67 20.00 17.78 8.89 16.67 3. 讨论
3.1 河南省柿主产区土壤重金属来源
土壤重金属来源主要有成土母质和人类活动[20]，其中人类活动引起的土壤污染主要包括工业废弃物、肥料和农药以及采用重金属超标的水灌溉农田等[21-22]。河南省柿整个主产区土壤中铅、铜、汞和砷质量分数约为背景值的1.26~2.01倍，铬和镉均低于背景值，说明铅、铜、汞和砷受人为因素影响更大，也有可能是土壤本身理化性质不同[20]。在一定区域内，相关性强的重金属可能具有相同来源途径[23-25]。从相关分析与主成分分析结果来看，铅、镉和汞之间分别呈现为极显著性相关，铬和铜呈现为显著性相关，说明铅、镉、汞三者以及铜与铬两者可能具有相同的来源，这与河南省典型工业区周边农田[13]、新疆地区辣椒Capsicum annuum种植基地[3]以及吉林省果树基地[21]等研究结果一致。
汞和铅是燃煤排放的标志物，空气中的汞和铅以大气沉降的方式进入土壤[13]。铅和铜是农药、化肥以及农家有机肥等的标志性元素之一[2]，也是电池等工业生产的废气原料[13]。河南省3个柿主产区土壤6种重金属质量分数及其主要特征差异较大，这说明各产区重金属来源存在较大差异，这种差异可能是人类活动的差异引起的[25]。砷受人类活动，特别是农药和水肥影响较大[7, 26]。安阳是河南省重工业基地之一，冶金建材、煤炭化工以及化肥农药生产等是安阳市的主产业，也是导致安阳产区土壤重金属砷和汞质量分数较高的主要原因。济源市有铅都之称，铅和铜分别是济源和三门峡的支柱产业，导致了济源产区土壤铅等重金属质量分数升高，而铅、锌、砷和镉等也是近10 a来国内金属冶炼引起的土壤污染的高浓度重金属[27]。安阳和济源农药和农家肥的施用量约为三门峡的1.8倍，灌溉水中砷和汞含量严重超标，当地政府把治理水中重金属砷作为重中之重的民生项目。安阳是全国重要的化肥生产基地，域内有多个国家重点化肥、化工生产企业，安阳产区的果园施肥以复合肥为主。济源产区的果园在生产中施用了较多的腐熟不彻底的牲畜粪便等农家肥，而且使用了含有较多无机砷的杀菌剂和除草剂。以上这些人类活动都对土壤中砷和铜等重金属的富集具有重要的促进作用[7, 25-26]，也与3个产区土壤重金属含量特征相一致。
3.2 河南省柿主产区土壤重金属污染及风险特征
虽然60%的柿园土壤处于铜、汞、铅和砷污染状态，但从土壤重金属污染负荷指数来看，河南省柿主产区目前处于轻度污染(1.0＜IPL＜2.0)状态，其中济源产区污染较为严重，砷是该产区重金属污染贡献最大的元素之一。这与砷是河南省典型工业城市土壤重金属污染最重要的元素的结论一致[13]。总体来看，6种重金属在各个产区的污染程度不同，但汞是安阳和三门峡产区重金属污染最主要的来源，铅是济源产区污染最严重的重金属元素。不同重金属元素在吐鲁番盆地葡萄园土壤[5]以及新疆焉耆盆地辣椒地土壤[3]的污染特征也不同，这可能是各产区土壤背景值及人类活动特征不同有关[6]。
汞是6种重金属中生态风险等级最高的元素，表现为较强的风险等级(E＞80)，70%的柿园处于汞污染的中等风险及以上等级，镉次之。但济源产区23.33%的柿园均处于镉较强污染风险等级之上，在3个主产区中最高。各元素对IR和IER的贡献率与各元素的污染程度并不完全一致，如镉污染程度相对较低，但济源产区重金属污染风险等级最高，这不仅与不同产区的人为干扰活动存在差异相关[28]，还可能与不同重金属元素毒性系数相差较大有关。一般来说，元素毒性系数越高，其潜在生态风险指数越大[17]；各元素的背景值及国家标准值也是重要影响因素[29]。另外，有些重金属虽然在土壤中的污染程度较高，但其容易伴随其他颗粒物迁移进入土壤中矿化埋藏[30]，使其对生物的毒性降低，从而降低了潜在生态风险[5, 28]。
4. 结论
河南省柿主产区土壤砷主要受农业生产活动的影响，汞、铅和铜则受工业活动影响较大。河南省整个柿主产区土壤重金属污染为轻微风险等级，生态风险预警属于轻度预警等级，但济源产区土壤重金属污染水平、潜在生态风险程度与生态风险预警等级均达到中等水平。汞是河南省柿主产区土壤污染程度最严重的重金属，也是生态风险等级和预警级别最高的重金属元素。
-
图 6 树高和胸径的测量值与实际值的回归分析
Figure 6 Regression analysis of measured and actual values of tree height and DBH
表 1 树高和胸径的测量值与实际值
Table 1. Measured and actual values of tree height and DBH
立木
编号树高 胸径 实际
值/m测量
值/m相对误
差/%实际
值/cm测量
值/cm相对误
差/%1 6.14 6.10 0.63 15.60 14.85 4.85 2 4.98 4.87 2.15 13.06 13.33 2.07 3 5.49 5.53 0.84 12.74 13.00 2.09 4 5.64 5.49 2.60 14.97 15.58 4.06 5 3.42 3.39 0.93 10.83 10.62 1.87 6 3.49 3.55 1.69 12.26 13.11 6.91 7 4.53 4.40 2.78 12.90 12.25 4.99 8 4.31 4.21 2.39 14.33 14.09 1.70 9 6.65 6.60 0.71 19.43 19.14 1.44 10 6.19 6.08 1.79 18.63 19.35 3.87 11 7.17 6.93 3.40 18.80 18.42 1.94 12 5.63 5.73 1.67 18.72 19.39 3.58 13 7.52 7.35 2.18 16.97 17.27 1.77 14 7.47 7.20 3.56 19.04 18.59 2.37 15 5.58 5.69 1.93 15.13 14.36 5.08 16 5.01 5.05 0.64 11.94 12.20 2.16 17 5.41 5.27 2.57 12.67 12.46 1.68 18 7.18 6.98 2.78 16.08 16.88 4.93 平均值 1.96 3.19 
下载: 导出CSV
-
[1] 孟宪宇. 测树学[M]. 北京: 中国林业出版社, 2006: 350. MENG Xianyu. Forest Mensuration[M]. Beijing: China Forestry Publishing House, 2006: 350. [2] MARKUS H, MIKKO V, JUHA H. Outlook for the next generation’s precision forestry in finland [J]. Forests, 2014, 5(7): 1682 − 1694. [3] 程文生, 冯仲科, 黄晓东. 便携式森林资源调查仪研制与试验[J]. 西北林学院学报, 2018, 33(5): 156 − 162. CHENG Wensheng, FENG Zhongke. HUANG Xiaodong. Development and experiment of portable instrument for forest resources inventory [J]. J Northwest For Univ, 2018, 33(5): 156 − 162. [4] 冯仲科, 黄晓东, 刘芳. 森林调查装备与信息化技术发展分析[J]. 农业机械学报, 2015, 46(9): 257 − 265. FENG Zhongke, HUANG Xiaodong, LIU Fang. Forest survey equipment and development of information technology [J]. Trans Chin Soc Agric Mach, 2015, 46(9): 257 − 265. [5] 杜鹏志, 曾伟生, 冯仲科, 等. 利用电子经纬仪测量林木树高和材积的精度分析[J]. 林业资源管理, 2016(2): 45 − 48, 55. DU Pengzhi, ZENG Weisheng, FENG Zhongke, et al. Precision analysis on tree height and stem volume measurements using electronic theodolite [J]. For Resour Manage, 2016(2): 45 − 48, 55. [6] 于东海, 冯仲科, 曹忠, 等. 全站仪测量立木胸径树高及材积的误差分析[J]. 农业工程学报, 2016, 32(17): 160 − 167. YU Donghai, FENG Zhongke, CAO Zhong, et al. Error analysis of measuring diameter at breast height and tree height and volume of standing tree by total station [J]. Trans Chin Soc Agric Eng, 2016, 32(17): 160 − 167. [7] 陈相武, 徐爱俊. 基于智能手机单目视觉的多株立木高度提取方法[J]. 北京林业大学学报, 2020, 42(8): 43 − 52. CHEN Xiangwu, XU Aijun. Height extraction method of multiple standing trees based on monocular vision of smart phones [J]. J Beijing For Univ, 2020, 42(8): 43 − 52. [8] 管昉立, 徐爱俊. 基于智能手机与机器视觉技术的立木胸径测量方法[J]. 浙江农林大学学报, 2018, 35(5): 892 − 899. GUAN Fangli, XU Aijun. Tree DBH measurement method based on smartphone and machine vision technology [J]. J Zhejiang A&F Univ, 2018, 35(5): 892 − 899. [9] 高莉平, 徐爱俊. 应用智能终端的立木高度测量方法[J]. 东北林业大学学报, 2018, 46(11): 28 − 34. GAO Liping, XU Aijun. Tree height measurement method with intelligent terminal [J]. J Northeast For Univ, 2018, 46(11): 28 − 34. [10] VÁZQUEZ-ARELLANO M, GRIEPENTROG H W, REISER D, et al. 3-D imaging systems for agricultural applications: a review [J/OL]. Sensors, 2016, 16 (5): 618. doi: 10.3390/s16050618. [11] 仇瑞承, 张漫, 魏爽, 等. 基于RGB-D相机的玉米茎粗测量方法[J]. 农业工程学报, 2017, 33(增刊 1): 170 − 176. QIU Ruicheng, ZHANG Man, WEI Shuang, et al. Method for measurement of maize stem diameters based on RGB-D camera [J]. Trans Chin Soc Agric Eng, 2017, 33(suppl 1): 170 − 176. [12] NEWNHAM G J, ARMSTON J D, CALDERS K, et al. Terrestrial laser scanning for plot-scale forest measurement [J]. Curr For Rep, 2015, 1(4): 239 − 251. [13] 刘浩, 张峥男, 曹林. 机载激光雷达森林垂直结构剖面参数的沿海平原人工林林分特征反演[J]. 遥感学报, 2018, 22(5): 872 − 888. LIU Hao, ZHANG Zhengnan, CAO Lin. Estimating forest stand characteristics in a coastal plain forest plantation based on vertical structure profile parameters derived from ALS data [J]. J Remote Sensing, 2018, 22(5): 872 − 888. [14] WESTOBY M J, BRASINGTON J, GLASSER N F, et al. ‘Structure-from-Motion’ photogrammetry: a low-cost, effective tool for geoscience applications [J]. Geomorphology, 2012, 179: 300 − 314. [15] 周静静, 郭新宇, 吴升, 等. 基于多视角图像的植物三维重建研究进展[J]. 中国农业科技导报, 2019, 21(2): 9 − 18. ZHOU Jingjing, GUO Xinyu, WU Sheng, et al. Research progress on plant three-dimensional reconstruction based on multi-view image [J]. J Agric Sci Technol, 2019, 21(2): 9 − 18. [16] 梁秀英, 周风燃, 陈欢, 等. 基于运动恢复结构的玉米植株三维重建与性状提取[J]. 农业机械学报, 2020, 51(6): 209 − 219. LIANG Xiuying, ZHOU Fengran, CHEN Huan, et al. Three-dimensional maize plants reconstruction and traits extraction based on structure from motion [J]. Trans Chin Soc Agric Mach, 2020, 51(6): 209 − 219. [17] HUI Fang, ZHU Jinyu, HU Pengcheng, et al. Image-based dynamic quantification and high-accuracy 3D evaluation of canopy structure of plant populations [J]. Ann Bot, 2018, 121(5): 1079 − 1088. [18] MILLER J, MORGENROTH J, GOMEZ C. 3D modelling of individual trees using a handheld camera: accuracy of height, diameter and volume estimates [J]. Urban For Urban Greening, 2015, 14(4): 932 − 940. [19] 徐慧丹, 周小成, 黄洪宇, 等. 移动多视图立体摄影的单木结构参数提取[J]. 测绘科学, 2018, 43(9): 108 − 114. XU Huidan, ZHOU Xiaocheng, HUANG Hongyu, et al. Single tree structure parameter extraction of structure-from-motion with multi-view stereophotogrammetry [J]. Sci Surv Mapp, 2018, 43(9): 108 − 114. [20] 孙英伟, 林文树. 基于SFM算法的单木结构参数提取研究[J]. 西北林学院学报, 2020, 35(5): 180 − 184. SUN Yingwei, LIN Wenshu. Extraction of the parameters of single tree structure based on SFM algorithm [J]. J Northwest For Univ, 2020, 35(5): 180 − 184. [21] 化春键, 马金科, 陈莹. 基于差异哈希算法的改进非局部均值去噪算法[J/OL]. 激光与光电子学进展, 2020, 57(14): 141007. doi: 10.3788/LOP57.141007. HUA Chunjian, MA Jinke, CHEN Yin. Improved non-local mean denoising algorithm based on difference hash algorithm[J/OL]. Laser Optoelectron Prog, 2020, 57(14): 141007. doi: 10.3788/LOP57.141007. [22] LOWE D G. Distinctive image features from scale-invariant keypoints [J]. Int J Comput Vision, 2004, 60(2): 91 − 110. [23] TRIGGS B, MCLAUCHLAN P F, HARTLEY R I, et al. Bundle adjustment-a modern synthesis[C]//[s.l.]. International Workshop on Vision Algorithms. Berlin: Springer, 1999: 298 − 372. [24] 何豫航, 岳俊. 基于CMVS/PMVS多视角密集匹配方法的研究与实现[J]. 测绘地理信息, 2013, 38(3): 20 − 23. HE Yuhang, YUE Jun. Research and implementation based on multi-view dense matching by applying CMVS /PMVS [J]. J Geomatics, 2013, 38(3): 20 − 23. [25] WOLD S, ESBENSEN K, GELADI P. Principal component analysis [J]. Chemometrics Intell Lab Syst, 1987, 2(1/3): 37 − 52. [26] 杨全月, 陈志泊, 孙国栋. 基于点云数据的测树因子自动提取方法[J]. 农业机械学报, 2017, 48(8): 179 − 185. YANG Quanyue, CHEN Zhibo, SUN Guodong. Automatic extraction method of tree measurement factors based on point cloud data [J]. Trans Chin Agric Mach, 2017, 48(8): 179 − 185. [27] 范永祥, 冯仲科, 陈盼盼, 等. 基于RGB-D SLAM手机的森林样地调查系统研究[J]. 农业机械学报, 2019, 50(8): 226 − 234. FAN Yongxiang, FENG Zhongke, CHEN Panpan, et al. Research on forest plot survey system based on RGB-D SLAM mobile phone [J]. Trans Chin Soc Agric Mach, 2019, 50(8): 226 − 234. 期刊类型引用(5)
1. 李巧云，赵航航，杨婵，李鹏飞，齐文博，宋凤敏. 汉江上游农田土壤微塑料与重金属污染特征及生态风险评价. 环境科学. 2025(01): 419-429 . 
百度学术2. 张妍，赵新雷，冯雪珍，郭亚娇. 河南荥阳市耕地土壤重金属分布特征及来源解析. 岩矿测试. 2024(02): 330-343 . 百度学术3. 孙经宇，孙向阳，李素艳，王晨晨，岳宗伟. 北京市通州区绿地土壤重金属源解析及风险评价. 浙江农林大学学报. 2024(03): 517-525 . 本站查看4. 张明，王磊，潘国林. 安徽砀山梨园土壤重金属分布特征及污染评价. 信阳农林学院学报. 2024(03): 92-97 . 百度学术5. 张亚男，张中瑞，魏丹，朱航勇，张耕，余斐，丁晓纲. 河源市紫金县森林土壤重金属分布特征及污染评价. 林业与环境科学. 2022(04): 70-74 . 百度学术其他类型引用(0)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210547
点击查看大图
计量
- 文章访问数: 691
- HTML全文浏览量: 239
- PDF下载量: 24
- 被引次数: 5
